利用预训练模型的零样本能力，实现足球场景下的精准相对深度预测。
Leveraging Metric Depth for Relative Depth Prediction
- 基于大规模预训练模型的度量深度能力，提升小样本下的相对深度推断。
- 在仅数千样本训练下，挑战集得分达2.68×10⁻³，表现优异。
- 适合关注少样本深度估计与视频场景几何理解的研究者。
我们提交了2025年SoccerNet单目深度估计竞赛的解决方案。在仅有数千个训练样本的情况下，足球场景中的相对深度预测极具挑战性。为此，我们的方法借助在大规模数据集上预训练的模型所具备的强大零样本能力，学习度量深度，从而实现高效的相对深度预测，在挑战集上取得2.68×10⁻³的得分。
原文摘要 · Abstract (English)
We present our solution to the 2025 SoccerNet Monocular Depth Estimation Competition Challenge. Predicting the relative depth in football scenarios is challenging, especially with only thousands of training samples available. To address this issue, our method leverages the powerful zero-shot capabilities of models pretrained on large-scale datasets to learn metric depth for effective relative depth prediction, achieving a score of $2.68 \times 10^{-3}$ on the challenge set.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。